Intelligentes Tutorensystem (ITS) für die gymnasiale Mathematik

Laufzeit: Mai 2022 – Dezember 2022
Status: Abgeschlossen
Bildungsstufe: Sekundarstufe II – Gymnasiale Bildung
Thema: Digital Tools
Keywords: Adaptives Lernsystem

Ausgangslage

In den letzten zehn Jahren hat das computerbasierte Lernen – einschliesslich E-Learning, Mobile Learning, Lernspiele und eigenständige Anwendungen – stark zugenommen, was auf technologische Fortschritte und den Umstieg auf Fernunterricht während der Covid-19-Pandemie zurückzuführen ist. Dennoch fehlt diesen Systemen oft die Flexibilität, Rückmeldung und Personalisierung realer Unterrichtssituationen. Adaptive Lernsysteme, die Inhalte an die Bedürfnisse der Lernenden anpassen, sollen diese Lücke schliessen. Im Zentrum stehen dabei intelligente Tutorensysteme (ITS), die auf Lernendenmodellen basieren, um Wissen zu erfassen, Verhalten vorherzusagen und individuelle Lernpfade zu gestalten. Trotz vielversprechender Entwicklungen sind praktische Umsetzungen bislang selten – vor allem, weil es schwierig ist, universelle ITS auf verschiedene Fächer und Altersstufen anzuwenden.

Ziele

Dieses Projekt verfolgte das Ziel, dieser Herausforderung zu begegnen, indem ein ITS speziell für den Mathematikunterricht an Schweizer Gymnasien (Altersgruppe 16–18) entwickelt wurde – ein Bereich, in dem adaptive Systeme bisher kaum zum Einsatz kamen. Gleichzeitig sollten Daten für KI-gestütztes Wissenstracking gesammelt werden, mit besonderem Fokus auf die Identifikation von Blockadezuständen und Lernmomenten.

Methode

Das Team arbeitete mit Taskbase – einem Schweizer Start-up, zusammen, die bereits Erfahrung mit adaptiven Lernplattformen hatten, um die Entwicklung zu beschleunigen. Eine webbasierte Benutzeroberfläche zum Hochladen von Übungen, zur Bereitstellung von Erklärungen und zur Datenerhebung wurde konzipiert und als initialer Prototyp erstellt. Geplant war der Einsatz der Webanwendung an Gymnasien im Kanton Bern in Zusammenarbeit mit der PHBern, um Daten von Schüler*innen zu sammeln. Das Knowledge Tracing sollte probabilistische und Deep-Learning-Ansätze kombinieren. Zur Erkennung von Blocking States sollten Interaktionen auf der Benutzeroberfläche analysiert werden (z.B. Hilfe-Klicks, Fehler, Wartezeiten). Die gesammelten Daten sollten analysiert werden, um zu ermitteln, ob und wann Lernende spezifische Fähigkeiten oder Konzepte beherrschten.

Ergebnisse

Im Rahmen des Projekts wurde ein erster Prototyp eines webbasierten ITS zur Bereitstellung von Übungsaufgaben entwickelt.
Der ITS-Prototyp ermöglichte die Erhebung wertvoller Daten für das Knowledge Tracing. Das Projekt konzentrierte sich auf die Identifikation von Blocking States (Momente, in denen Lernende nicht weiterkommen) und Learning Moments (Zeitpunkte des Wissenserwerbs). Diese Aspekte waren bislang aufgrund der Schwierigkeiten bei ihrer Erkennung wenig erforscht. Frühe Datensätze ermöglichten es dem Team, Modelle zu entwickeln, die solche Zustände vorhersagen können, und adaptive Funktionen des Systems gezielt weiterzuentwickeln.

Umgesetzte Translation

Die Zusammenarbeit mit Taskbase ermöglichte eine effiziente Entwicklung auf Basis bewährter adaptiver Lerntechnologien. Aufgrund des begrenzten Projektbudgets konnten jedoch weder eine ausreichende Anzahl von Schüler*innen einbezogen noch ein vollständiger Funktionsumfang realisiert werden. Der geplante Einsatz in Berner Gymnasien und die damit verbundene Datenerhebung zur Weiterentwicklung der Knowledge-Tracing-Modelle konnten nicht umgesetzt werden. Dennoch lieferte das Projekt wichtige konzeptionelle Grundlagen: Die entwickelten Ansätze zur Erkennung von Blocking States und Learning Moments sowie die Konzeption eines ITS für fortgeschrittene Mathematikthemen des Schweizer Gymnasial-Curriculums stellen eine wertvolle Basis für zukünftige Projekte dar, die mit ausreichenden Ressourcen weitergeführt werden könnten. Das Projekt leistete einen konzeptionellen Beitrag zur Entwicklung adaptiver Lernsysteme für fortgeschrittene Mathematik. Durch die Fokussierung auf das Schweizer Gymnasial-Curriculum und die Altersgruppe 16–18 adressierte es eine Lücke in der bisherigen Forschung, die sich überwiegend auf nordamerikanische Datensätze und jüngere Schüler*innen konzentrierte. Die entwickelten methodischen Ansätze zur Erkennung von Blocking States (Momente, in denen Lernende nicht weiterkommen) und Learning Moments (Zeitpunkte des Wissenserwerbs) bieten theoretische Grundlagen für präzisere Analysen des Lernprozesses in adaptiven Systemen.

Obwohl budgetbedingte Einschränkungen die praktische Umsetzung und Datenerhebung verhinderten, dokumentiert das Projekt das Potenzial und die Herausforderungen bei der Entwicklung personalisierter digitaler Lernhilfen für anspruchsvolle mathematische Themen. Es liefert eine konzeptionelle Grundlage für weiterführende Forschung und Entwicklung im Bereich adaptiver Lernsysteme für die gymnasiale Oberstufe.

Beteiligte Institutionen